《Frontiers in Neurology》:Multimodal machine learning for distinguishing pediatric multiple sclerosis from non-inflammatory conditions using optical coherence tomography
编辑推荐:
本研究聚焦于儿童多发性硬化(Pediatric-onset Multiple Sclerosis, POMS)早期诊断的临床挑战,提出并系统评估了一种新型的多模态机器学习方法。研究人员通过整合光学相干断层扫描(OCT)获取的原始3D视网膜容积图像与自动分割的52项定量结构特征,构建了多种分类模型。结果表明,早期融合(Early Fusion)策略的多模态模型诊断效能最优,其AUC达到0.90,准确率达87%,显著优于单一模态(图像或特征)及晚期融合模型。该研究为利用OCT这一无创成像工具,开发辅助POMS鉴别诊断的AI工具提供了重要依据,有望支持儿科神经炎性疾病的精准诊疗。
儿童多发性硬化(MS)是一种在儿童和青少年时期发病的慢性中枢神经系统炎性疾病。虽然它只占所有MS病例的3-5%,但其诊断尤为棘手。孩子们的症状可能与许多其他非炎症性的神经系统疾病相似,导致临床上的“迷雾重重”。更麻烦的是,早期、准确的诊断对预后至关重要,因为神经退行性改变在疾病初期就已开始,而及时的干预治疗能显著改善长期结局。然而,传统的诊断流程,包括复杂的磁共振成像(MRI)和临床评估,在儿科群体中面临着更大的不确定性和挑战。
近年来,光学相干断层扫描(OCT)作为一种无创、高分辨率的视网膜成像技术,在MS研究中崭露头角。视网膜,特别是视神经,是MS早期炎症的常见部位,其结构变化(如视网膜神经纤维层RNFL和神经节细胞-内丛状层复合体GCIPL的变薄)已成为反映MS相关神经退行性的重要生物标志物。OCT能精确捕捉这些细微变化,因此被最新的McDonald诊断标准推荐为辅助诊断工具之一。与此同时,机器学习(ML)在医学影像分析领域展现出巨大潜力。然而,既往大多数应用于MS的机器学习研究是“单打独斗”的,要么只分析OCT图像,要么只依赖提取的几个厚度数值,未能充分利用OCT数据本身蕴含的丰富信息(空间形态学和定量特征)。这种单一模式是否能应对儿科MS复杂的鉴别诊断任务,特别是区分MS和其他症状相似的非炎症性疾病,仍然是个未知数。
为了回答这个核心问题,来自加拿大多伦多病童医院等机构的研究团队在《Frontiers in Neurology》上发表了一项研究。他们进行了一项系统性的评估,旨在探索如何利用多模态机器学习,仅凭OCT扫描数据,就能有效区分儿童MS和一组临床表现有重叠的非炎症性神经系统疾病,从而提供一个更接近真实临床场景的诊断辅助方案。
为了开展这项研究,研究人员依托加拿大病童医院前瞻性神经炎症登记处,收集了高质量的OCT扫描数据。研究队列包括经McDonald 2017标准确诊的POMS患者(81人,211次扫描)和29名患有非炎症性神经系统疾病的儿童(52次扫描)。所有扫描均通过严格的OSCAR-IB质量控制和标准化预处理流程。研究核心是利用从OCT衍生出的两种互补数据模态:一是捕捉视网膜空间形态的原始3D容积图像,二是包含RNFL和GCIPL厚度在内的52项自动分割的定量结构特征。他们构建了三种分类策略进行比较:1)单模态图像模型:使用3D ResNet、DenseNet等深度学习网络提取图像特征,再结合支持向量机(SVC)、随机森林等经典分类器进行分类。2)单模态特征模型:使用LASSO回归筛选出最具信息的OCT定量特征,然后训练经典分类器。3)多模态模型:通过早期融合(在特征层面将图像特征和定量特征拼接后,再经LASSO降维和分类)和晚期融合(将两个单模态最优分类器的预测概率进行平均)两种策略整合信息。模型性能通过5折患者级交叉验证在训练集上优化,并在独立的测试集上以准确率、加权F1分数、宏F1分数和受试者工作特征曲线下面积(AUC)等指标进行评估。
3.1 基于3D OCT容积图像的单模态分类
在仅使用原始3D OCT图像时,表现最佳的模型是ResNet101(提取256维特征)结合SVC分类器,其准确率达到87%,加权F1为0.84,宏F1为0.70,AUC为0.79。研究发现,中等维度的图像特征嵌入(如128或256维)通常优于高维嵌入(如2048维),这可能与在数据有限场景下减少过拟合风险有关。
3.2 基于OCT定量特征的单模态分类
在仅使用52项OCT定量特征时,支持向量机(SVC)在所有模型中表现最优,实现了AUC 0.84,准确率85%,加权F10.85和宏F10.73的平衡性能,其精确率和召回率均为0.91,显著优于随机森林、XGBoost等其他分类器。
3.3 早期融合:特征层面的整合
通过早期融合策略(在特征层面整合图像特征和定量特征)构建的多模态模型取得了最佳整体性能。其中,DenseNet(128维特征)结合SVC分类器的模型表现最好,其AUC高达0.90,准确率87%,加权F1为0.87,宏F1为0.77。多个基于不同CNN架构(如ResNet34, ResNet50, ResNet101)的早期融合模型也表现出相似的高水平性能,表明在有效的特征选择和降维下,具体的网络架构选择对最终性能的影响相对较小。
3.4 晚期融合:决策层面的整合
晚期融合策略(整合单模态最优模型的预测概率)表现不佳,尽管准确率达到82%,但其加权F1分数(0.73)和宏F1分数(0.66)较低,模型未能正确识别任何阳性(MS)样本,表明该策略在处理类别不平衡和捕捉跨模态交互方面存在局限。
综合比较
研究对不同策略下的最优模型进行了总结对比。早期融合模型在AUC、F1分数等关键指标上均超越了单一模态(仅图像或仅特征)模型和晚期融合模型,证明了整合OCT图像的空间形态信息与临床相关结构特征能产生“1+1>2”的协同效应。
本研究得出结论,多模态机器学习,特别是早期融合策略,能够显著提升利用OCT数据鉴别儿童多发性硬化与临床症状相似的非炎症性疾病的能力。最优模型实现了AUC 0.90和87%的准确率。这证明,即使是来自同一种成像模态(OCT),通过整合其不同层次的数据表征(空间图像与定量特征),也能捕捉到与MS病理相关的互补模式,从而获得比任何单一信息源更优的诊断性能。
在讨论中,作者强调了本研究的临床意义:它将模型置于一个更现实、更具挑战性的诊断环境中进行评估,其对照组并非健康儿童,而是患有其他神经系统疾病的儿童,这增加了任务的复杂性和临床相关性。研究也指出了当前深度学习在有限数据下容易过拟合的挑战,并展示了通过精心设计的特征工程、降维和融合流程,可以在一定程度上克服这一障碍。此外,研究明确揭示了晚期融合在处理不平衡数据和建模跨模态交互方面的不足。
总之,这项研究为开发一种基于OCT的人工智能驱动工具来支持儿科神经炎性疾病的诊断提供了有力证据。它展示了一种高效整合多源信息以应对复杂临床鉴别诊断问题的新思路,有望在未来辅助临床医生实现更早、更准确的决策,从而改善患儿的长期预后。未来的工作方向包括扩大数据集规模、探索更先进的融合架构(如基于注意力的机制),以及纳入更多临床和人口统计学变量以进一步提升模型的泛化能力和实用性。